Larridin 完成 3000 万美元 A 轮融资，衡量 AI 支出与劳动力影响

Larridin 已完成由 Pelion Ventures 领投的 3000 万美元 A 轮融资，使其总融资额达到 4700 万美元。该公司衡量 AI 支出如何转化为员工和软件智能体的工作产出，目标客户是那些希望更清晰地证明其 AI 投资回报的企业。

现有投资者 Andreessen Horowitz 和 Gradient Ventures 与新投资者 GFT、W23、Thayer、DG Daiwa Ventures、Alumni Ventures 和 Cougar Capital 一同参与了本轮融资。

在 11 月 2 日的公告中，Larridin 表示其已测量超过 20 亿次 AI 会话，并追踪了逾 8.2 万个工作流。本轮资金将用于产品开发和团队扩张。

财务挑战远不止统计活跃用户。一个组织可以支付席位费用、消耗模型 token 并运行自动化智能体，却不知道哪些活动真正改善了其工作。衡量采用率只能说明工具是否被使用；衡量价值则需要将这种使用与有用的结果以及产生该结果的成本联系起来。

Larridin 的 AI Impact 产品文档描述了如何将已开票许可证、token 使用量和云模型成本与观测到的工作流及工程系统数据相结合。它将支出映射到各部门，并将产出的工作与该投资进行比较。

该方法论将 AI 支持的产能与实际实现的现金节省区分开来。人力等效工时可以估算 AI 贡献的工作量，但其财务价值取决于基准以及组织如何利用这一产能。更多可用时间并不会自动减少预算或人员需求。

在阅读仪表盘示例时，这一区分尤为重要。Larridin 明确标注了其示例性数据，包括示例 ROI 倍数和返还工时。这些演示旨在解释计算方法，而非确立某个特定客户的实际结果。

工作流智能如何观测工作

该公司的 Workflow Intelligence 平台使用浏览器扩展和桌面智能体来观测管理员所选应用中的活动。Larridin 表示，它收集的元数据包括活跃应用、其顺序、每个步骤所花时间以及工具之间的切换。

产品文档称，不会收集消息正文、文档内容、屏幕录制和击键记录。视图默认在团队层面聚合，除非管理员启用，否则个人视图处于禁用状态。

这些观测结果被归入工作流，以便团队检查持续时间、重复性、摩擦点以及 AI 参与之处。该平台对自动化机会进行排序，并对照捕获的基准，通过试点和已完成的部署对其进行追踪。

在此，区分潜在产能、建模产能和已实现产能很重要。被识别为自动化候选的工作流，尚未带来与已在生产环境中成功运行的工作流相同的效益。

Larridin 的 Developer Intelligence 产品将工程产出与 AI 成本、交付速度和代码质量联系起来。其衡量指标包括每 1000 美元 AI 支出的产出、缺陷率，以及与团队自身基准相比的拉取请求周期时间。

该产品还检查智能体会话及其捕获的步骤、token 使用量和估算成本。模型路由组件让组织能够为编码工作流设定成本和质量优先级，并比较模型选择。

这种方法认识到，生成更多代码只是交付的一个阶段。审查能力、验证、返工和部署可以决定额外产出能否成为有用的软件。

该公司 2026 年第三季度的《AI Impact in Engineering Report》说明了这种张力。其分析发现，AI 辅助的已合并拉取请求占比从 4 月的 35% 上升到 9 月的 62%，融资公告还报告称，首次人工代码审查的中位等待时间增加了 50%。这些发现描述的是 Larridin 所测量的队列，而非所有工程组织。

Larridin 报告称，在其客户群中，可衡量的团队产出平均提升 47%，首年 AI 支出优化中位数为 240 万美元。这些是公司报告的结果，与其示例性产品仪表盘不同。

领导层页面显示，Russ Fradin 为联合创始人兼 CEO，Jim Larrison 为联合创始人兼总裁，Ameya Kanitkar 为联合创始人兼 CTO。Fradin 和 Larrison 借鉴了早年在 Comscore 构建数字测量的经验。他们宣称的目标是为借助 AI 完成的工作提供一个可比的测量层。

正如 Carta 首席产品官 Vrushali Paunikar 在为 Unite.AI 撰写的一篇关于超越连接层的企业 AI 工作流的文章中所论述的，提供工具访问权限只是实现可靠成果的一部分。Larridin 关注的是围绕这些成果的证据：工作成本是多少、发生了什么变化，以及下一笔投资应该投向哪里。